Manejo de Bases de Datos

Marco de datos

Para trabajar con bases de datos en R se pueden construir o cargar al software. En cualquier caso, la idea es tener un objeto data.frame que el tipo que identifica las bases de datos.

---

Construcción

Para construir una base de datos, se debe definir las variables que representan las columnas, y el contenido de cada variable son la representación en cada fila, es importante que todas las variables tengan el mismo tamaño para construir una base de datos consistente.

years <- 1980:2019
nombre <- sample(c("Luisa","Andrés","Camilo","Natalia"),
                 size = 40,replace = T)
peso <- round(rnorm(40,60,5),2)
estatura <- ifelse(nombre=="Luisa",1.56,
                   ifelse(nombre=="Andrés",1.78,
                          ifelse(nombre=="Camilo",1.70,1.68)))
imc <- round(peso/estatura^2,2)

Cada variable está asignada de manera independiente, aún no es una base de datos. Para que cumpla con la condición de base de datos es necesario que cada fila de cada variable represente una medición, es decir, si la primera posición del nombre es Camilo entonces las primera posición de las variables year, peso, estatura y imc deben corresponder a Camilo.

Para construir la base de datos, se usa el comando data.frame.

args(data.frame)

## function (..., row.names = NULL, check.rows = FALSE, check.names = TRUE, 
##     fix.empty.names = TRUE, stringsAsFactors = default.stringsAsFactors()) 
## NULL

(datos <- data.frame(years, nombre, peso, estatura, imc))

##    years  nombre  peso estatura   imc
## 1   1980   Luisa 72.55     1.56 29.81
## 2   1981 Natalia 61.59     1.68 21.82
## 3   1982  Camilo 53.10     1.70 18.37
## 4   1983 Natalia 53.84     1.68 19.08
## 5   1984   Luisa 58.90     1.56 24.20
## 6   1985 Natalia 63.99     1.68 22.67
## 7   1986  Andrés 65.32     1.78 20.62
## 8   1987  Andrés 65.55     1.78 20.69
## 9   1988   Luisa 70.57     1.56 29.00
## 10  1989   Luisa 60.13     1.56 24.71
## 11  1990   Luisa 64.11     1.56 26.34
## 12  1991   Luisa 62.41     1.56 25.65
## 13  1992  Camilo 62.29     1.70 21.55
## 14  1993   Luisa 59.91     1.56 24.62
## 15  1994  Camilo 57.99     1.70 20.07
## 16  1995  Camilo 61.83     1.70 21.39
## 17  1996 Natalia 60.36     1.68 21.39
## 18  1997  Camilo 55.91     1.70 19.35
## 19  1998  Andrés 54.78     1.78 17.29
## 20  1999  Andrés 61.29     1.78 19.34
## 21  2000 Natalia 61.41     1.68 21.76
## 22  2001 Natalia 55.49     1.68 19.66
## 23  2002   Luisa 64.77     1.56 26.61
## 24  2003 Natalia 68.41     1.68 24.24
## 25  2004 Natalia 65.23     1.68 23.11
## 26  2005 Natalia 57.22     1.68 20.27
## 27  2006  Andrés 71.91     1.78 22.70
## 28  2007   Luisa 53.99     1.56 22.19
## 29  2008  Camilo 63.89     1.70 22.11
## 30  2009 Natalia 66.62     1.68 23.60
## 31  2010  Andrés 60.07     1.78 18.96
## 32  2011   Luisa 56.13     1.56 23.06
## 33  2012  Camilo 65.64     1.70 22.71
## 34  2013  Camilo 55.23     1.70 19.11
## 35  2014  Andrés 55.95     1.78 17.66
## 36  2015  Camilo 62.56     1.70 21.65
## 37  2016  Camilo 54.86     1.70 18.98
## 38  2017  Camilo 62.11     1.70 21.49
## 39  2018  Andrés 57.36     1.78 18.10
## 40  2019  Andrés 50.75     1.78 16.02

str(datos)

## 'data.frame':    40 obs. of  5 variables:
##  $ years   : int  1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 ...
##  $ nombre  : Factor w/ 4 levels "Andrés","Camilo",..: 3 4 2 4 3 4 1 1 3 3 ...
##  $ peso    : num  72.5 61.6 53.1 53.8 58.9 ...
##  $ estatura: num  1.56 1.68 1.7 1.68 1.56 1.68 1.78 1.78 1.56 1.56 ...
##  $ imc     : num  29.8 21.8 18.4 19.1 24.2 ...

Con la base de datos creada se puede manipular más fácil, para ingresar a las filas y columnas se trabaja similar a las matrices.

datos[,1]

##  [1] 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994
## [16] 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
## [31] 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019

datos[,"nombre"]

##  [1] Luisa   Natalia Camilo  Natalia Luisa   Natalia Andrés  Andrés  Luisa  
## [10] Luisa   Luisa   Luisa   Camilo  Luisa   Camilo  Camilo  Natalia Camilo 
## [19] Andrés  Andrés  Natalia Natalia Luisa   Natalia Natalia Natalia Andrés 
## [28] Luisa   Camilo  Natalia Andrés  Luisa   Camilo  Camilo  Andrés  Camilo 
## [37] Camilo  Camilo  Andrés  Andrés 
## Levels: Andrés Camilo Luisa Natalia

datos[8:24,]

##    years  nombre  peso estatura   imc
## 8   1987  Andrés 65.55     1.78 20.69
## 9   1988   Luisa 70.57     1.56 29.00
## 10  1989   Luisa 60.13     1.56 24.71
## 11  1990   Luisa 64.11     1.56 26.34
## 12  1991   Luisa 62.41     1.56 25.65
## 13  1992  Camilo 62.29     1.70 21.55
## 14  1993   Luisa 59.91     1.56 24.62
## 15  1994  Camilo 57.99     1.70 20.07
## 16  1995  Camilo 61.83     1.70 21.39
## 17  1996 Natalia 60.36     1.68 21.39
## 18  1997  Camilo 55.91     1.70 19.35
## 19  1998  Andrés 54.78     1.78 17.29
## 20  1999  Andrés 61.29     1.78 19.34
## 21  2000 Natalia 61.41     1.68 21.76
## 22  2001 Natalia 55.49     1.68 19.66
## 23  2002   Luisa 64.77     1.56 26.61
## 24  2003 Natalia 68.41     1.68 24.24

datos[,c(1,3,5)]

##    years  peso   imc
## 1   1980 72.55 29.81
## 2   1981 61.59 21.82
## 3   1982 53.10 18.37
## 4   1983 53.84 19.08
## 5   1984 58.90 24.20
## 6   1985 63.99 22.67
## 7   1986 65.32 20.62
## 8   1987 65.55 20.69
## 9   1988 70.57 29.00
## 10  1989 60.13 24.71
## 11  1990 64.11 26.34
## 12  1991 62.41 25.65
## 13  1992 62.29 21.55
## 14  1993 59.91 24.62
## 15  1994 57.99 20.07
## 16  1995 61.83 21.39
## 17  1996 60.36 21.39
## 18  1997 55.91 19.35
## 19  1998 54.78 17.29
## 20  1999 61.29 19.34
## 21  2000 61.41 21.76
## 22  2001 55.49 19.66
## 23  2002 64.77 26.61
## 24  2003 68.41 24.24
## 25  2004 65.23 23.11
## 26  2005 57.22 20.27
## 27  2006 71.91 22.70
## 28  2007 53.99 22.19
## 29  2008 63.89 22.11
## 30  2009 66.62 23.60
## 31  2010 60.07 18.96
## 32  2011 56.13 23.06
## 33  2012 65.64 22.71
## 34  2013 55.23 19.11
## 35  2014 55.95 17.66
## 36  2015 62.56 21.65
## 37  2016 54.86 18.98
## 38  2017 62.11 21.49
## 39  2018 57.36 18.10
## 40  2019 50.75 16.02

datos[,c("years","imc")]

##    years   imc
## 1   1980 29.81
## 2   1981 21.82
## 3   1982 18.37
## 4   1983 19.08
## 5   1984 24.20
## 6   1985 22.67
## 7   1986 20.62
## 8   1987 20.69
## 9   1988 29.00
## 10  1989 24.71
## 11  1990 26.34
## 12  1991 25.65
## 13  1992 21.55
## 14  1993 24.62
## 15  1994 20.07
## 16  1995 21.39
## 17  1996 21.39
## 18  1997 19.35
## 19  1998 17.29
## 20  1999 19.34
## 21  2000 21.76
## 22  2001 19.66
## 23  2002 26.61
## 24  2003 24.24
## 25  2004 23.11
## 26  2005 20.27
## 27  2006 22.70
## 28  2007 22.19
## 29  2008 22.11
## 30  2009 23.60
## 31  2010 18.96
## 32  2011 23.06
## 33  2012 22.71
## 34  2013 19.11
## 35  2014 17.66
## 36  2015 21.65
## 37  2016 18.98
## 38  2017 21.49
## 39  2018 18.10
## 40  2019 16.02

---

cargar base de datos

R maneja casi cualquier tipo de archivo de bases de datos, pero su formato de creación de base de datos es .Rds o .RData, en el paquete base y utilsexiste una colección de funciones para leer marcos de datos.

## [1] "read.dcf"     "readBin"      "readChar"     "readline"     "readLines"   
## [6] "readRDS"      "readRenviron" "Sys.readlink"

##  [1] "read.csv"         "read.csv2"        "read.delim"       "read.delim2"     
##  [5] "read.DIF"         "read.fortran"     "read.fwf"         "read.socket"     
##  [9] "read.table"       "readCitationFile" "readClipboard"    "readRegistry"

Para cargar otras extensiones de bases de datos es necesario utilizar paquetes.

# Para otros Software de estadística (Minitab, SAS, Stata, SPSS)
install.packages("haven",dependencies = T)
install.packages("foreign",dependencies = T)

# Archivos de excel
install.packages("xlsx",dependencies = T) # Requiere Java
install.packages("readxl",dependencies = T)
install.packages("openxlsx",dependencies = T)

# SQL
install.packages("sqldf",dependencies = T)

Para trabajar con SQL en R se recomienda leer el artículo de Josh Errickson y las notas de Data Carpentry.

La base de datos de el ICFES 2015-02 está disponible en Excel, todos los ejemplos que acontinuación se muestran se trabajan con esta base de datos.

• ICFES 2015-02.xls
• ICFES 2015-02.xlsx
• ICFES 2015-02.csv

library(xlsx)
library(readxl)
library(openxlsx)

Icfes <- read.csv("ICFES20152.csv",sep = ",")

Si el archivo tiene la extensión .xlsx se utiliza los siguientes comandos:

# Con xlsx
Icfes <- read.xlsx(file = "ICFES20152.xlsx",sheetName = 1,encoding = "UTF-8")
Icfes <- read.xlsx2(file = "ICFES20152.xls",sheetIndex = 1)

# Con readxl
Icfes <- read_xlsx(path = "ICFES20152.xlsx")

# Con openxlsx
Icfes <- read.xlsx(file = "ICFES20152.xlsx",sheet = 1)

Para cargar los archivos de esta manera es necesario que se encuentren alojados en la carpeta de trabajo que puede verificar con el comand getwd(), y para asignar una nuava ruta se utiliza el comando setwd(). Una función muy útil para buscar carpetas es choose.dir(), y para seleccionar una archivo específico file.choose().

# CSV
Icfes <- read.csv(file.choose(),sep = ",")

# Con xlsx
Icfes <- read.xlsx(file = file.choose(),sheetName = 1,encoding = "UTF-8")
Icfes <- read.xlsx2(file = file.choose(),sheetIndex = 1)

# Con readxl
Icfes <- read_xlsx(path = file.choose())

# Con openxlsx
Icfes <- read.xlsx(file = file.choose(),sheet = 1)

Icfes

## # A tibble: 12,162 x 24
##    CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
##    <chr>   <chr>            <chr>           <chr>           <chr>       
##  1 142133  I.E. INTERNADO ~ 91263           EL ENCANTO      AMAZONAS    
##  2 087445  I.E. COLEGIO IN~ 91405           LA CHORRERA     AMAZONAS    
##  3 117127  I.E. INTERNADO ~ 91407           LA PEDRERA      AMAZONAS    
##  4 019109  I.E. ESCUELA NO~ 91001           LETICIA         AMAZONAS    
##  5 038919  I.E. INEM JOSE ~ 91001           LETICIA         AMAZONAS    
##  6 065482  I.E. INDIGENA S~ 91001           LETICIA         AMAZONAS    
##  7 065490  COL FEMENINO MA~ 91001           LETICIA         AMAZONAS    
##  8 087429  COL CRISTO REY   91001           LETICIA         AMAZONAS    
##  9 093229  I.E. COLEGIO TE~ 91001           LETICIA         AMAZONAS    
## 10 117358  I.E. SAGRADO CO~ 91001           LETICIA         AMAZONAS    
## # ... with 12,152 more rows, and 19 more variables: CALENDARIO <chr>,
## #   NATURALEZA <chr>, JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## #   PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## #   PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## #   PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## #   DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## #   DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## #   DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## #   DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>

dim(Icfes)

## [1] 12162    24

length(Icfes)

## [1] 24

names(Icfes)

##  [1] "CODINST"                  "NOMBREINSTITUCION"       
##  [3] "CODIGOMUNICIPIO"          "NOMBREMUNICIPIO"         
##  [5] "DEPARTAMENTO"             "CALENDARIO"              
##  [7] "NATURALEZA"               "JORNADA"                 
##  [9] "EVALUADOS"                "PROMLECTURACRITICA"      
## [11] "PROMMATEMATICA"           "PROMSOCIALESYCIUDADANAS" 
## [13] "PROMCIENCIASNATURALES"    "PROMINGLES"              
## [15] "PROMRAZONAMIENTOCUANTITA" "PROMCOMPETENCIASCIUDADAN"
## [17] "DESVLECTURACRITICA"       "DESVMATEMATICA"          
## [19] "DESVSOCIALESYCIUDADANAS"  "DESVCIENCIASNATURALES"   
## [21] "DESVINGLES"               "DESVRAZONAMIENTOCUANTITA"
## [23] "DESVCOMPETENCIASCIUDADAN" "PERIODO"

head(Icfes,n = 3)

## # A tibble: 3 x 24
##   CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
##   <chr>   <chr>            <chr>           <chr>           <chr>       
## 1 142133  I.E. INTERNADO ~ 91263           EL ENCANTO      AMAZONAS    
## 2 087445  I.E. COLEGIO IN~ 91405           LA CHORRERA     AMAZONAS    
## 3 117127  I.E. INTERNADO ~ 91407           LA PEDRERA      AMAZONAS    
## # ... with 19 more variables: CALENDARIO <chr>, NATURALEZA <chr>,
## #   JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## #   PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## #   PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## #   PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## #   DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## #   DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## #   DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## #   DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>

tail(Icfes,n = 3)

## # A tibble: 3 x 24
##   CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
##   <chr>   <chr>            <chr>           <chr>           <chr>       
## 1 135020  JOSÉ CELESTINO ~ 99001           PUERTO CARREÑO  VICHADA     
## 2 167981  I.E. MARIA INMA~ 99001           PUERTO CARREÑO  VICHADA     
## 3 037440  I.E. INTERNADO ~ 99624           SANTA ROSALIA   VICHADA     
## # ... with 19 more variables: CALENDARIO <chr>, NATURALEZA <chr>,
## #   JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## #   PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## #   PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## #   PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## #   DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## #   DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## #   DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## #   DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>

str(Icfes)

## tibble [12,162 x 24] (S3: tbl_df/tbl/data.frame)
##  $ CODINST                 : chr [1:12162] "142133" "087445" "117127" "019109" ...
##  $ NOMBREINSTITUCION       : chr [1:12162] "I.E. INTERNADO SAN RAFAEL DEL CARAPARANA - SEDE PRINCIPAL" "I.E. COLEGIO INDIGENA CASA DEL CONOCIMIENTO - SEDE PRINCIPAL" "I.E. INTERNADO INDIGENA SAN JOSÉ - SEDE PRINCIPAL" "I.E. ESCUELA NORMAL SUPERIOR MARCELIANO EDUARDO CANYES SANTACANA - SEDE PRINCIPAL" ...
##  $ CODIGOMUNICIPIO         : chr [1:12162] "91263" "91405" "91407" "91001" ...
##  $ NOMBREMUNICIPIO         : chr [1:12162] "EL ENCANTO" "LA CHORRERA" "LA PEDRERA" "LETICIA" ...
##  $ DEPARTAMENTO            : chr [1:12162] "AMAZONAS" "AMAZONAS" "AMAZONAS" "AMAZONAS" ...
##  $ CALENDARIO              : chr [1:12162] "A" "A" "A" "A" ...
##  $ NATURALEZA              : chr [1:12162] "OFICIAL" "OFICIAL" "OFICIAL" "OFICIAL" ...
##  $ JORNADA                 : chr [1:12162] "MAÑANA" "MAÑANA" "COMPLETA U ORDINARIA" "MAÑANA" ...
##  $ EVALUADOS               : num [1:12162] 21 38 31 89 134 75 14 18 45 61 ...
##  $ PROMLECTURACRITICA      : num [1:12162] 42.5 40.1 39.9 49.9 45.9 ...
##  $ PROMMATEMATICA          : num [1:12162] 42 40.2 39.5 47.6 44 ...
##  $ PROMSOCIALESYCIUDADANAS : num [1:12162] 43.7 41.3 38.8 50.3 47 ...
##  $ PROMCIENCIASNATURALES   : num [1:12162] 44.2 41.8 42.7 49.5 46.5 ...
##  $ PROMINGLES              : num [1:12162] 46 43.6 43.8 47.8 46.6 ...
##  $ PROMRAZONAMIENTOCUANTITA: num [1:12162] 41.8 40.3 39.7 48 45 ...
##  $ PROMCOMPETENCIASCIUDADAN: num [1:12162] 42 39 37.7 49.4 46.4 ...
##  $ DESVLECTURACRITICA      : num [1:12162] 5.78 6.01 5.98 7.94 7.88 6.22 6.28 9.65 6.6 8.02 ...
##  $ DESVMATEMATICA          : num [1:12162] 7.37 7.43 9.04 9.5 8.41 ...
##  $ DESVSOCIALESYCIUDADANAS : num [1:12162] 7.52 7.72 8.56 9.38 8.22 ...
##  $ DESVCIENCIASNATURALES   : num [1:12162] 5.94 5.23 5.32 6.81 6.44 ...
##  $ DESVINGLES              : num [1:12162] 6.72 4.48 5.42 7.49 6.13 ...
##  $ DESVRAZONAMIENTOCUANTITA: num [1:12162] 8.23 7.57 9.3 10.42 8.9 ...
##  $ DESVCOMPETENCIASCIUDADAN: num [1:12162] 7.1 7.27 6.77 8.95 8.24 ...
##  $ PERIODO                 : chr [1:12162] "20152" "20152" "20152" "20152" ...

class(Icfes)

## [1] "tbl_df"     "tbl"        "data.frame"

class(Icfes$NOMBREMUNICIPIO)

## [1] "character"

summary(Icfes)

##    CODINST          NOMBREINSTITUCION  CODIGOMUNICIPIO    NOMBREMUNICIPIO   
##  Length:12162       Length:12162       Length:12162       Length:12162      
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##  DEPARTAMENTO        CALENDARIO         NATURALEZA          JORNADA         
##  Length:12162       Length:12162       Length:12162       Length:12162      
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##    EVALUADOS      PROMLECTURACRITICA PROMMATEMATICA   PROMSOCIALESYCIUDADANAS
##  Min.   :  1.00   Min.   :28.00      Min.   : 24.50   Min.   :21.00          
##  1st Qu.: 17.00   1st Qu.:44.74      1st Qu.: 43.57   1st Qu.:43.98          
##  Median : 32.00   Median :48.19      Median : 48.00   Median :48.32          
##  Mean   : 44.95   Mean   :48.66      Mean   : 48.80   Mean   :48.64          
##  3rd Qu.: 60.00   3rd Qu.:51.77      3rd Qu.: 52.63   3rd Qu.:52.59          
##  Max.   :987.00   Max.   :77.00      Max.   :100.00   Max.   :83.00          
##  PROMCIENCIASNATURALES   PROMINGLES    PROMRAZONAMIENTOCUANTITA
##  Min.   :25.00         Min.   :25.00   Min.   : 21.50          
##  1st Qu.:44.59         1st Qu.:45.27   1st Qu.: 44.05          
##  Median :48.47         Median :47.51   Median : 48.94          
##  Mean   :49.03         Mean   :49.63   Mean   : 49.67          
##  3rd Qu.:52.45         3rd Qu.:51.27   3rd Qu.: 53.95          
##  Max.   :85.95         Max.   :97.00   Max.   :100.00          
##  PROMCOMPETENCIASCIUDADAN DESVLECTURACRITICA DESVMATEMATICA  
##  Min.   :22.00            Min.   : 0.000     Min.   : 0.000  
##  1st Qu.:44.22            1st Qu.: 6.540     1st Qu.: 7.880  
##  Median :48.13            Median : 7.470     Median : 9.020  
##  Mean   :48.27            Mean   : 7.406     Mean   : 9.056  
##  3rd Qu.:51.92            3rd Qu.: 8.320     3rd Qu.:10.260  
##  Max.   :76.00            Max.   :21.920     Max.   :31.820  
##  DESVSOCIALESYCIUDADANAS DESVCIENCIASNATURALES   DESVINGLES    
##  Min.   : 0.000          Min.   : 0.000        Min.   : 0.000  
##  1st Qu.: 8.140          1st Qu.: 6.560        1st Qu.: 5.620  
##  Median : 9.060          Median : 7.580        Median : 6.840  
##  Mean   : 8.984          Mean   : 7.541        Mean   : 7.501  
##  3rd Qu.: 9.970          3rd Qu.: 8.550        3rd Qu.: 8.940  
##  Max.   :28.000          Max.   :20.510        Max.   :27.790  
##  DESVRAZONAMIENTOCUANTITA DESVCOMPETENCIASCIUDADAN   PERIODO         
##  Min.   : 0.00            Min.   : 0.000           Length:12162      
##  1st Qu.: 8.94            1st Qu.: 7.400           Class :character  
##  Median :10.30            Median : 8.240           Mode  :character  
##  Mean   :10.33            Mean   : 8.172                             
##  3rd Qu.:11.76            3rd Qu.: 9.080                             
##  Max.   :32.19            Max.   :23.330

El operador $ sirve para extraer las variables del data.frame, siepre y cuando la base de datos posea nombres.

---

Guardar bases de datos

## [1] "write"      "write.dcf"  "writeBin"   "writeChar"  "writeLines"

## [1] "aspell_write_personal_dictionary_file"
## [2] "write.csv"                            
## [3] "write.csv2"                           
## [4] "write.socket"                         
## [5] "write.table"                          
## [6] "writeClipboard"

## [1] "write.xlsx"  "write.xlsx2"

## [1] "write_dta" "write_sas" "write_sav" "write_xpt"

## [1] "write.arff"    "write.dbf"     "write.dta"     "write.foreign"

---

Funciones del tipo apply

apply() Aplica la función sobre un la marginal de un arreglo o matriz.

(m <- matrix(c(1:10, 11:20), nrow = 10, ncol = 2))

##       [,1] [,2]
##  [1,]    1   11
##  [2,]    2   12
##  [3,]    3   13
##  [4,]    4   14
##  [5,]    5   15
##  [6,]    6   16
##  [7,]    7   17
##  [8,]    8   18
##  [9,]    9   19
## [10,]   10   20

apply(m, 1, mean)

##  [1]  6  7  8  9 10 11 12 13 14 15

apply(m, 2, mean)

## [1]  5.5 15.5

apply(m, 1:2, function(x) x/2)

##       [,1] [,2]
##  [1,]  0.5  5.5
##  [2,]  1.0  6.0
##  [3,]  1.5  6.5
##  [4,]  2.0  7.0
##  [5,]  2.5  7.5
##  [6,]  3.0  8.0
##  [7,]  3.5  8.5
##  [8,]  4.0  9.0
##  [9,]  4.5  9.5
## [10,]  5.0 10.0

apply(Icfes, 2, length)

##                  CODINST        NOMBREINSTITUCION          CODIGOMUNICIPIO 
##                    12162                    12162                    12162 
##          NOMBREMUNICIPIO             DEPARTAMENTO               CALENDARIO 
##                    12162                    12162                    12162 
##               NATURALEZA                  JORNADA                EVALUADOS 
##                    12162                    12162                    12162 
##       PROMLECTURACRITICA           PROMMATEMATICA  PROMSOCIALESYCIUDADANAS 
##                    12162                    12162                    12162 
##    PROMCIENCIASNATURALES               PROMINGLES PROMRAZONAMIENTOCUANTITA 
##                    12162                    12162                    12162 
## PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA           DESVMATEMATICA 
##                    12162                    12162                    12162 
##  DESVSOCIALESYCIUDADANAS    DESVCIENCIASNATURALES               DESVINGLES 
##                    12162                    12162                    12162 
## DESVRAZONAMIENTOCUANTITA DESVCOMPETENCIASCIUDADAN                  PERIODO 
##                    12162                    12162                    12162

apply(Icfes[,9:18], 2, mean)

##                EVALUADOS       PROMLECTURACRITICA           PROMMATEMATICA 
##                44.947788                48.655567                48.799209 
##  PROMSOCIALESYCIUDADANAS    PROMCIENCIASNATURALES               PROMINGLES 
##                48.636474                49.025593                49.633360 
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA 
##                49.672010                48.267984                 7.406274 
##           DESVMATEMATICA 
##                 9.055529

apply(Icfes[,9:18], 2, sd)

##                EVALUADOS       PROMLECTURACRITICA           PROMMATEMATICA 
##                43.843946                 5.573827                 7.580989 
##  PROMSOCIALESYCIUDADANAS    PROMCIENCIASNATURALES               PROMINGLES 
##                 6.649614                 6.260166                 7.269747 
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA 
##                 8.120015                 5.730609                 1.731647 
##           DESVMATEMATICA 
##                 2.219776

by() Aplica la función sobre una división de una base de datos (data.frame) por un factor.

by(Icfes[,c(9:18)], Icfes$CALENDARIO, colMeans)

## Icfes$CALENDARIO: A
##                EVALUADOS       PROMLECTURACRITICA           PROMMATEMATICA 
##                45.393267                48.601547                48.741677 
##  PROMSOCIALESYCIUDADANAS    PROMCIENCIASNATURALES               PROMINGLES 
##                48.589383                48.972063                49.514758 
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA 
##                49.612257                48.229033                 7.436473 
##           DESVMATEMATICA 
##                 9.091584 
## ------------------------------------------------------------ 
## Icfes$CALENDARIO: B
##                EVALUADOS       PROMLECTURACRITICA           PROMMATEMATICA 
##                16.685864                52.229529                52.711885 
##  PROMSOCIALESYCIUDADANAS    PROMCIENCIASNATURALES               PROMINGLES 
##                51.758220                52.761885                56.728743 
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA 
##                53.712199                50.859634                 5.469215 
##           DESVMATEMATICA 
##                 6.880628 
## ------------------------------------------------------------ 
## Icfes$CALENDARIO: O
##                EVALUADOS       PROMLECTURACRITICA           PROMMATEMATICA 
##                47.566667                47.403333                46.788333 
##  PROMSOCIALESYCIUDADANAS    PROMCIENCIASNATURALES               PROMINGLES 
##                47.505333                46.544667                51.666667 
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA 
##                47.733333                47.271667                 7.718667 
##           DESVMATEMATICA 
##                 8.551333

lapply() Aplica una función sobre una lista o un vector.

l <- list(a = 1:10, b = 11:20)
lapply(l, mean)

## $a
## [1] 5.5
## 
## $b
## [1] 15.5

lapply(l, sum)

## $a
## [1] 55
## 
## $b
## [1] 155

lapply(Icfes,summary)

## $CODINST
##    Length     Class      Mode 
##     12162 character character 
## 
## $NOMBREINSTITUCION
##    Length     Class      Mode 
##     12162 character character 
## 
## $CODIGOMUNICIPIO
##    Length     Class      Mode 
##     12162 character character 
## 
## $NOMBREMUNICIPIO
##    Length     Class      Mode 
##     12162 character character 
## 
## $DEPARTAMENTO
##    Length     Class      Mode 
##     12162 character character 
## 
## $CALENDARIO
##    Length     Class      Mode 
##     12162 character character 
## 
## $NATURALEZA
##    Length     Class      Mode 
##     12162 character character 
## 
## $JORNADA
##    Length     Class      Mode 
##     12162 character character 
## 
## $EVALUADOS
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00   17.00   32.00   44.95   60.00  987.00 
## 
## $PROMLECTURACRITICA
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   28.00   44.74   48.19   48.66   51.77   77.00 
## 
## $PROMMATEMATICA
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   24.50   43.57   48.00   48.80   52.63  100.00 
## 
## $PROMSOCIALESYCIUDADANAS
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   21.00   43.98   48.32   48.64   52.59   83.00 
## 
## $PROMCIENCIASNATURALES
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   25.00   44.59   48.47   49.03   52.45   85.95 
## 
## $PROMINGLES
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   25.00   45.27   47.51   49.63   51.27   97.00 
## 
## $PROMRAZONAMIENTOCUANTITA
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   21.50   44.05   48.94   49.67   53.95  100.00 
## 
## $PROMCOMPETENCIASCIUDADAN
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   22.00   44.22   48.13   48.27   51.92   76.00 
## 
## $DESVLECTURACRITICA
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   6.540   7.470   7.406   8.320  21.920 
## 
## $DESVMATEMATICA
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   7.880   9.020   9.056  10.260  31.820 
## 
## $DESVSOCIALESYCIUDADANAS
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   8.140   9.060   8.984   9.970  28.000 
## 
## $DESVCIENCIASNATURALES
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   6.560   7.580   7.541   8.550  20.510 
## 
## $DESVINGLES
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   5.620   6.840   7.501   8.940  27.790 
## 
## $DESVRAZONAMIENTOCUANTITA
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00    8.94   10.30   10.33   11.76   32.19 
## 
## $DESVCOMPETENCIASCIUDADAN
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   7.400   8.240   8.172   9.080  23.330 
## 
## $PERIODO
##    Length     Class      Mode 
##     12162 character character

sapply() Aplica una función sobre una lista o un vector y si el resultado se puede simplificar en un formato más simple, lo hace.

l <- list(a = 1:10, b = 11:20)
sapply(l, mean)

##    a    b 
##  5.5 15.5

sapply(l, sum)

##   a   b 
##  55 155

sapply(Icfes,mean)

##                  CODINST        NOMBREINSTITUCION          CODIGOMUNICIPIO 
##                       NA                       NA                       NA 
##          NOMBREMUNICIPIO             DEPARTAMENTO               CALENDARIO 
##                       NA                       NA                       NA 
##               NATURALEZA                  JORNADA                EVALUADOS 
##                       NA                       NA                44.947788 
##       PROMLECTURACRITICA           PROMMATEMATICA  PROMSOCIALESYCIUDADANAS 
##                48.655567                48.799209                48.636474 
##    PROMCIENCIASNATURALES               PROMINGLES PROMRAZONAMIENTOCUANTITA 
##                49.025593                49.633360                49.672010 
## PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA           DESVMATEMATICA 
##                48.267984                 7.406274                 9.055529 
##  DESVSOCIALESYCIUDADANAS    DESVCIENCIASNATURALES               DESVINGLES 
##                 8.984044                 7.540577                 7.500546 
## DESVRAZONAMIENTOCUANTITA DESVCOMPETENCIASCIUDADAN                  PERIODO 
##                10.327338                 8.171681                       NA

vapply() Aplica la función sobre una lista y devuelve el resultado de acuerdo a un formato indicado.

l <- list(a = 1:10, b = 11:20)
lFivenum <- vapply(l, 
                   fivenum, 
                   c(Min. = 0, "1er Cuart." = 0, 
                     Mediana = 0, "3er Cuart." = 0, Max. = 0))
class(lFivenum)

## [1] "matrix"

lFivenum

##               a    b
## Min.        1.0 11.0
## 1er Cuart.  3.0 13.0
## Mediana     5.5 15.5
## 3er Cuart.  8.0 18.0
## Max.       10.0 20.0

QuantIcfes <- vapply(Icfes[,9:23],
                     quantile,
                     c(Min. = 0, "1er Cuart." = 0,
                       Mediana = 0, "3er Cuart." = 0, Max. = 0))
t(QuantIcfes)

##                          Min. 1er Cuart. Mediana 3er Cuart.   Max.
## EVALUADOS                 1.0      17.00  32.000    60.0000 987.00
## PROMLECTURACRITICA       28.0      44.74  48.190    51.7675  77.00
## PROMMATEMATICA           24.5      43.57  48.000    52.6300 100.00
## PROMSOCIALESYCIUDADANAS  21.0      43.98  48.320    52.5900  83.00
## PROMCIENCIASNATURALES    25.0      44.59  48.470    52.4500  85.95
## PROMINGLES               25.0      45.27  47.505    51.2700  97.00
## PROMRAZONAMIENTOCUANTITA 21.5      44.05  48.935    53.9500 100.00
## PROMCOMPETENCIASCIUDADAN 22.0      44.22  48.130    51.9175  76.00
## DESVLECTURACRITICA        0.0       6.54   7.470     8.3200  21.92
## DESVMATEMATICA            0.0       7.88   9.020    10.2600  31.82
## DESVSOCIALESYCIUDADANAS   0.0       8.14   9.060     9.9700  28.00
## DESVCIENCIASNATURALES     0.0       6.56   7.580     8.5500  20.51
## DESVINGLES                0.0       5.62   6.840     8.9400  27.79
## DESVRAZONAMIENTOCUANTITA  0.0       8.94  10.300    11.7600  32.19
## DESVCOMPETENCIASCIUDADAN  0.0       7.40   8.240     9.0800  23.33

mapply() Es la versión multivariada de lapply y sapply. Aplica la función a los elementos correspondientes de múltiples listas.

l1 <- list(a = c(1:10), b = c(11:20))
l2 <- list(c = c(21:30), d = c(31:40))
mapply(sum, l1$a, l1$b, l2$c, l2$d)

##  [1]  64  68  72  76  80  84  88  92  96 100

mapply(sum, l1, l2)

##   a   b 
## 310 510

l2 <- list(c = c(21:30), d = c(31:40), z = c(31:50))
mapply(sum, l1$a, l1$b, l2$c, l2$z)

##  [1]  64  68  72  76  80  84  88  92  96 100  74  78  82  86  90  94  98 102 106
## [20] 110

with(Icfes,mapply(`-`,PROMMATEMATICA,
                  PROMRAZONAMIENTOCUANTITA)[1:30])

##  [1]  0.24 -0.08 -0.23 -0.36 -0.99  0.30 -0.50 -1.50  0.49 -1.07 -0.18  0.40
## [13] -2.30 -0.60  0.03 -0.32  3.50 -0.26  0.39 -1.76  0.68 -0.17 -0.67 -2.20
## [25] -0.87 -2.37 -0.41  0.20 -0.29 -0.68

tapply() Aplica la función sobre un vector, de acuerdo a una clasificación de la variable tipo factor.

tapply(Icfes$EVALUADOS, Icfes$JORNADA, mean)

## COMPLETA U ORDINARIA               MAÑANA                NOCHE 
##             37.73148             49.74110             34.91196 
## SABATINA - DOMINICAL                TARDE 
##             35.92033             53.13094

tapply(Icfes$PROMRAZONAMIENTOCUANTITA, Icfes$JORNADA, mean)

## COMPLETA U ORDINARIA               MAÑANA                NOCHE 
##             54.80120             49.65380             42.64660 
## SABATINA - DOMINICAL                TARDE 
##             42.56121             49.44264

---

Tidyverse

En el universo de tidyverse la programación vía tuberías es la principal novedad.

install.packages("dplyr",dependencies = T)

# Muestra aleatoria de resultados del ICFES
aux <- sample(dim(Icfes)[1],size = 2000)

library(dplyr)
Icfes2 <- tbl_df(Icfes[aux,])

---

Filtrar

Filtrar una base de datos

filter(Icfes2, DEPARTAMENTO == "ANTIOQUIA",
       NOMBREMUNICIPIO == "MEDELLIN")

## # A tibble: 73 x 24
##    CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
##    <chr>   <chr>            <chr>           <chr>           <chr>       
##  1 117390  INST EDUC CAMIL~ 05001           MEDELLIN        ANTIOQUIA   
##  2 000653  INST COLOMBO VE~ 05001           MEDELLIN        ANTIOQUIA   
##  3 000398  COL NUESTRA MAD~ 05001           MEDELLIN        ANTIOQUIA   
##  4 119933  INST EDUC SAN R~ 05001           MEDELLIN        ANTIOQUIA   
##  5 179309  COL BASICO CAMI~ 05001           MEDELLIN        ANTIOQUIA   
##  6 089870  INST EDUC FINCA~ 05001           MEDELLIN        ANTIOQUIA   
##  7 150615  COL HERALDOS DE~ 05001           MEDELLIN        ANTIOQUIA   
##  8 095950  COL MILIT GENER~ 05001           MEDELLIN        ANTIOQUIA   
##  9 000364  COL MARIA AUXIL~ 05001           MEDELLIN        ANTIOQUIA   
## 10 107771  INST EDUC OCTAV~ 05001           MEDELLIN        ANTIOQUIA   
## # ... with 63 more rows, and 19 more variables: CALENDARIO <chr>,
## #   NATURALEZA <chr>, JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## #   PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## #   PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## #   PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## #   DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## #   DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## #   DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## #   DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>

Icfes2 %>% filter(DEPARTAMENTO == "ANTIOQUIA",
                  NOMBREMUNICIPIO == "MEDELLIN")

## # A tibble: 73 x 24
##    CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
##    <chr>   <chr>            <chr>           <chr>           <chr>       
##  1 117390  INST EDUC CAMIL~ 05001           MEDELLIN        ANTIOQUIA   
##  2 000653  INST COLOMBO VE~ 05001           MEDELLIN        ANTIOQUIA   
##  3 000398  COL NUESTRA MAD~ 05001           MEDELLIN        ANTIOQUIA   
##  4 119933  INST EDUC SAN R~ 05001           MEDELLIN        ANTIOQUIA   
##  5 179309  COL BASICO CAMI~ 05001           MEDELLIN        ANTIOQUIA   
##  6 089870  INST EDUC FINCA~ 05001           MEDELLIN        ANTIOQUIA   
##  7 150615  COL HERALDOS DE~ 05001           MEDELLIN        ANTIOQUIA   
##  8 095950  COL MILIT GENER~ 05001           MEDELLIN        ANTIOQUIA   
##  9 000364  COL MARIA AUXIL~ 05001           MEDELLIN        ANTIOQUIA   
## 10 107771  INST EDUC OCTAV~ 05001           MEDELLIN        ANTIOQUIA   
## # ... with 63 more rows, and 19 more variables: CALENDARIO <chr>,
## #   NATURALEZA <chr>, JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## #   PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## #   PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## #   PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## #   DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## #   DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## #   DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## #   DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>

---

Seleccionar filas

Selección de posiciones específicas de una base de datos

slice(Icfes2, 100:110)

## # A tibble: 11 x 24
##    CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
##    <chr>   <chr>            <chr>           <chr>           <chr>       
##  1 157735  I.E.R.D. LIMONC~ 25513           PACHO           CUNDINAMARCA
##  2 117812  GUILLERMO RIOS ~ 18753           SAN VICENTE DE~ CAQUETA     
##  3 049437  I.E. AGRICOLA A~ 15131           CALDAS          BOYACA      
##  4 071282  COLEGIO SAN JOS~ 13836           TURBACO         BOLIVAR     
##  5 170126  COL TRIANGULO    25290           FUSAGASUGA      CUNDINAMARCA
##  6 164343  SEDE 1 TAPIAS    73001           IBAGUE          TOLIMA      
##  7 129692  INSTITUTO REGIO~ 05055           ARGELIA         ANTIOQUIA   
##  8 051169  COL MARCOS GARC~ 54099           BOCHALEMA       NORTE SANTA~
##  9 129791  INSTITUTO REGIO~ 05315           GUADALUPE       ANTIOQUIA   
## 10 040667  IE SANTO DOMING~ 23168           CHIMA           CORDOBA     
## 11 188532  CENTRO EDUCATIV~ 52399           LA UNION        NARIÑO      
## # ... with 19 more variables: CALENDARIO <chr>, NATURALEZA <chr>,
## #   JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## #   PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## #   PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## #   PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## #   DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## #   DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## #   DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## #   DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>

Icfes2 %>%
  slice(100:110)

## # A tibble: 11 x 24
##    CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
##    <chr>   <chr>            <chr>           <chr>           <chr>       
##  1 157735  I.E.R.D. LIMONC~ 25513           PACHO           CUNDINAMARCA
##  2 117812  GUILLERMO RIOS ~ 18753           SAN VICENTE DE~ CAQUETA     
##  3 049437  I.E. AGRICOLA A~ 15131           CALDAS          BOYACA      
##  4 071282  COLEGIO SAN JOS~ 13836           TURBACO         BOLIVAR     
##  5 170126  COL TRIANGULO    25290           FUSAGASUGA      CUNDINAMARCA
##  6 164343  SEDE 1 TAPIAS    73001           IBAGUE          TOLIMA      
##  7 129692  INSTITUTO REGIO~ 05055           ARGELIA         ANTIOQUIA   
##  8 051169  COL MARCOS GARC~ 54099           BOCHALEMA       NORTE SANTA~
##  9 129791  INSTITUTO REGIO~ 05315           GUADALUPE       ANTIOQUIA   
## 10 040667  IE SANTO DOMING~ 23168           CHIMA           CORDOBA     
## 11 188532  CENTRO EDUCATIV~ 52399           LA UNION        NARIÑO      
## # ... with 19 more variables: CALENDARIO <chr>, NATURALEZA <chr>,
## #   JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## #   PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## #   PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## #   PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## #   DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## #   DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## #   DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## #   DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>

---

Ordenar

Ordenar la base de datos

arrange(Icfes2, DEPARTAMENTO)

arrange(Icfes2, DEPARTAMENTO, NOMBREINSTITUCION)

arrange(Icfes2, desc(PROMLECTURACRITICA))

Icfes2 %>% 
  arrange(DEPARTAMENTO, desc(PROMLECTURACRITICA))

---

Seleccionar columnas

Seleccion de columnas

select(Icfes2, NOMBREMUNICIPIO, DEPARTAMENTO, PROMLECTURACRITICA)

rmarkdown::paged_table(select(Icfes2, NOMBREMUNICIPIO, DEPARTAMENTO, PROMLECTURACRITICA))

Icfes2 %>%
  select(NOMBREMUNICIPIO, DEPARTAMENTO, PROMLECTURACRITICA)

---

Unicidad

Elementos o registros únicos

distinct(select(Icfes2, DEPARTAMENTO))

## # A tibble: 33 x 1
##    DEPARTAMENTO   
##    <chr>          
##  1 ATLANTICO      
##  2 NORTE SANTANDER
##  3 CHOCO          
##  4 SUCRE          
##  5 BOGOTA         
##  6 ANTIOQUIA      
##  7 BOLIVAR        
##  8 RISARALDA      
##  9 HUILA          
## 10 ARAUCA         
## # ... with 23 more rows

Icfes2 %>% 
  select(DEPARTAMENTO) %>% 
  distinct()

## # A tibble: 33 x 1
##    DEPARTAMENTO   
##    <chr>          
##  1 ATLANTICO      
##  2 NORTE SANTANDER
##  3 CHOCO          
##  4 SUCRE          
##  5 BOGOTA         
##  6 ANTIOQUIA      
##  7 BOLIVAR        
##  8 RISARALDA      
##  9 HUILA          
## 10 ARAUCA         
## # ... with 23 more rows

---

Añadir

Adicionar una nueva columna

mutate(Icfes2,promTotal=(PROMLECTURACRITICA+PROMMATEMATICA+PROMINGLES)/3)

Icfes2 %>% 
  mutate(promTotal=(PROMLECTURACRITICA+PROMMATEMATICA+PROMINGLES)/3)

transmute(Icfes2,promTotal=(PROMLECTURACRITICA+PROMMATEMATICA+PROMINGLES)/3)

Icfes2 %>% 
  transmute(promTotal=(PROMLECTURACRITICA+PROMMATEMATICA+PROMINGLES)/3)

---

Resumir

Resumir variables o consolidar valores

summarise(Icfes2, mean(PROMMATEMATICA))

## # A tibble: 1 x 1
##   `mean(PROMMATEMATICA)`
##                    <dbl>
## 1                   48.9

Icfes2 %>% 
  summarise(mean(PROMMATEMATICA))

## # A tibble: 1 x 1
##   `mean(PROMMATEMATICA)`
##                    <dbl>
## 1                   48.9

---

Agrupar

Agrupación

group_by(Icfes2, DEPARTAMENTO)

Icfes2 %>% 
  group_by(DEPARTAMENTO)

---

Múltiples operaciones

Combinación de “verbos” en base de datos

agrupados_deptos <- group_by(Icfes2, DEPARTAMENTO)
promedio_depto <- summarise(agrupados_deptos, mean(PROMMATEMATICA))
promedio_depto

Mediante encadenamiento de verbos

Icfes2 %>% 
  group_by(DEPARTAMENTO) %>% 
  summarise(promedio=mean(PROMMATEMATICA))

Icfes2 %>% 
  group_by(DEPARTAMENTO) %>% 
  select(PROMMATEMATICA:PROMCOMPETENCIASCIUDADAN) %>%
  summarise_if(is.numeric,mean)

Combinación de manejo de datos

Icfes2 %>%
  mutate(promTotal = rowMeans(.[10:16])) %>%
  group_by(CODIGOMUNICIPIO) %>%
  arrange(desc(promTotal)) %>%
  select(NOMBREINSTITUCION, NOMBREMUNICIPIO, DEPARTAMENTO, promTotal) %>%
  slice(1:3)

¿Cuántas Instituciones Educativas tiene cada municipio?

Icfes2 %>%
  group_by(CODIGOMUNICIPIO, NOMBREMUNICIPIO, DEPARTAMENTO) %>%
  summarise(n = n()) %>%
  select(DEPARTAMENTO, NOMBREMUNICIPIO, n) %>%
  group_by(DEPARTAMENTO) %>%
  arrange(desc(n))

library(ggplot2)
Icfes2 %>% 
  ggplot(aes(x = PROMLECTURACRITICA,y = PROMMATEMATICA,
             fill=JORNADA,colour=JORNADA))+
  geom_point()

Icfes2 %>% 
  ggplot(aes(x = PROMLECTURACRITICA,y = PROMMATEMATICA,
             fill=JORNADA,colour=JORNADA))+
  geom_point()+facet_grid(CALENDARIO~NATURALEZA)+
  theme_bw()

Icfes2 %>% 
  ggplot(aes(y = PROMMATEMATICA,x=DEPARTAMENTO,
             fill=DEPARTAMENTO))+
  geom_boxplot()+ theme(legend.position = "none",
                        axis.text.x = element_text(angle = 90))